基于改进蜜蜂进化型遗传算法的含分布式电源的配电网重构

为改善分布式电源(Distributed Generation, DG)并入电网后配电网重构算法的性能,提出一种基于佳点集的蜜蜂进化型遗传算法（Bee Evolutionary Genetic Algorithm Based on Good Point Set,GBEGA）。该算法的关键有三点：1.提出一种基于佳点集的种群初始化方法,该方法比随机方法产生的种群在搜索空间更为均匀;2.引进佳点集交叉算子,该算子能在父代附近进行更加精细的搜索;3.采用自适应的交叉变异概率,有利于算法开采与勘探的平衡。将DG处     

基于纵横交叉算法的波浪发电装置最大功率跟踪控制

针对波浪能最大功率点跟踪控制中,浮子水动力模型的非线性,使传统群智能算法存在局部最优问题,提出纵横交叉算法(CSO)控制方案。CSO的纵向交叉算子,在纵向交叉概率判定下进行个体维变量间的算术交叉,保证种群能够脱离局部最优状态; CSO的横向交叉算子完成个体间的随机配对与算术交叉,并将解空间全体分割成若干个子空间,每个子空间以配对个体为对角顶点,搜索子空间内部及邻域,实现精细的局部搜索能力。通过纵、横交叉算子的交替作用,任何有益于实现全局最优的信息,都将被迅速地分发到种群的各变量中,用以改变搜索路径。仿真表明,在波浪周期发生变化时,纵横交叉算法能够实现最大功率点跟踪,并提高收敛速度。     

引入改进迭代局部搜索的灰狼算法及应用

针对标准灰狼算法(GWO)收敛速度慢,易陷入局部最优等缺点,提出一种引入改进迭代局部搜索的灰狼算法(IGWO)。首先,通过佳点集策略增强初始种群的均匀性与多样性;其次,采用双收敛因子,收敛因子基于种群位置非线性自适应更新,在种群寻优全期平衡全局勘探与局部开发能力;再次,在种群位置更新公式引入欧氏动态权重与莱维飞行策略,提升寻优精度,并帮助种群跳出局部最优值;最后,引入改进迭代局部搜索,使算法的搜索能力更加灵活,帮助算法加速收敛。通过10个基准测试函数的仿真分析及种群寻优平衡性对比,证明了IGWO具有更优的寻优精度、稳定性及收敛速度,随后将IGWO应用于工程优化问题中,相比GWO、GJO、WOA、HSSAHHO、SCHOA、NCPGWO、DSFGWO 7种算法,适应度分别优化了3.25%、27.2%、28.9%、3.15%、3.04%、0.23%、0.07%,证实了在工程应用中的可行性和有效性。     

基于多种群遗传算法的波浪发电最大功率跟踪控制

波浪发电系统遗传算法最大功率点跟踪过程中,因群体中的所有个体较快趋于单一化而停止进化,导致难以获得最优解,为此引入多种群遗传优化新算法。在初始阶段,新算法引入多个种群同时进行搜索,并对每个种群赋予不同的交叉、变异概率,使算法能够兼顾全局与局部搜索;同时加入用于维持种群间联系的移民算子及可用来建立精华种群的人工选择算子,并以精华种群作为算法收敛的判据。仿真结果表明,与传统遗传算法相比,该算法能够提高波浪发电系统的波浪能捕获率。     

基于多策略改进的遗传算法在配电网规划中的应用

针对电力电子化配电网规划复杂的优化问题,提出一种基于多策略改进的多目标遗传算法（简称遗传算法）。将遗传算法与配电网规划进行有效结合,研究了遗传算法在规划方案中的染色体组编码方式;对遗传算法进行具有针对性的多策略改进,涉及种群选择、交叉与变异算子以及自适应遗传算子的改进;通过种群修复提高算法的搜索能力,使染色体的决策变量在满足约束的同时,确保种群多样性启发式地进化为规划问题的最优解。通过Schaffer函数与Griewank函数对基于多策略改进的遗传算法进行性能测试,并对其组成内容、搜索特点与搜索寻优的过程分别进行了分析和讨论。结果表明,基于多策略改进的遗传算法在搜索精度与计算效率方面具有较大优势,对于配电网规划优化具有重要价值。     

基于免疫记忆克隆选择算法的多目标无功优化

结合免疫记忆学说和克隆选择原理,提出了一种解决多目标无功优化问题的免疫记忆克隆选择算法。该算法针对多目标无功优化问题的特点,采用以拥挤距离为适应度的自适应克隆方式,实现了种群的扩张,保证了所得解集的均匀性;引入非一致性变异算子,使该算法同时具备全局均匀搜索能力和局部精确寻优能力;采用交叉重组算子实现了抗体间的协作,促进不同抗体间信息的交流;通过抗体群更新操作,一方面保证了算法的收敛速度,另一方面确保了所得解集均匀分布;引入记忆单元概念,可以有效抑制寻优过程中出现的退化现象,确保了种群的多样性。以IEEE-14和IEEE-118节点测试系统为例进行仿真计算,结果表明该算法可以有效提高系统运行的安全性和经济性,是求解多目标无功优化问题的有效方法。     

基于模糊自适应模拟退火遗传算法的配电网故障定位

对于配电网故障定位系统的不足与遗传算法存在易早熟、收敛速度慢等问题,结合模糊推理和自适应模拟退火遗传算法,提出一种模糊自适应模拟退火遗传算法(FASAGA)。该算法对评价函数做了容错性改进,在遗传选择时采用自适应机制与最佳个体保留策略,并结合模糊推理与自适应机制求取模糊自适应交叉算子、模糊自适应变异算子,引入模拟退火算法提高收敛速度与局部搜索能力。仿真结果说明该算法应用在配电网故障定位中的准确性、快速性与高容错性。     

一种基于混沌序列的改进自适应差分进化算法

差分进化(DE)算法被认为是一种可靠、鲁棒性好且快速的优化算法,在许多领域得到广泛的应用,并取得了良好效果。为提高DE的寻优性能,提出了一种改进的自适应DE算法。改进后的算法采用Logistic混沌序列产生初始种群,用自适应的变异、交叉参数代替标准DE固定参数,并引入子种群内部搜索策略,使算法具有较好的全局搜索能力。采用经典测试函数对算法进行验证,结果表明,改进后的算法寻优精度和收敛速度得到了有效的提高,具有较好的实用性。     

电力系统无功优化自适应粒子群算法

针对粒子群(PSO)算法存在易陷入局部最优的缺点,提出了一种新的基于种群多样性指数的自适应粒子群优化算法(ASPO)。该算法利用种群多样性信息对惯性权重进行非线性调整,并在算法后期引入速度变异算子和位置交叉算子,使算法摆脱后期易于陷入局部最优的束缚,同时又保持前期搜索速度快特性。将其应用于电力系统无功优化,对IEEE-30节点系统进行仿真计算,并与GA、PSO等算法比较,结果表明APSO算法能有效应用于电力系统无功优化,其全局收敛性能、收敛精度和收敛稳定性均较GA、PSO算法有了明显提高。     

基于改进人工鱼群算法的输电网规划

结合输电网规划问题的特点提出了改进人工鱼群算法。改进人工鱼群算法引入生存竞争机制,在保证收敛性能的前提下减少了对人工鱼数量的需求,同时克服了人工鱼在非全局极值点大量聚集的弊端;采用分段自适应调整视野策略和拟遗传算法的交叉变异算子,有效兼顾了全局搜索与局部挖掘能力,提高了算法的收敛速度。最后通过算例证明了改进人工鱼群算法的正确性、有效性及优越性。     

并行自适应粒子群算法在电力系统无功优化中的应用

针对传统粒子群优化算法"早熟"与后期收敛速度慢的缺点,提出了一种基于并行自适应粒子群优化算法的电力系统无功优化方法。该方法首先将初始种群随机划分成N个子群,然后分别在各子群中以所提方法寻优,从而实现了算法的并行计算。为避免各子群陷入局部最优解,采用二值交叉算子使各子群间的信息共享并更新相关粒子位置,保证了算法的全局搜索能力并维持了种群的多样性。同时,各子群寻优过程中,根据利己、利他及自主3个方向对当前搜索方向自适应更新,提高了算法的收敛速度。将所提出算法在IEEE 30节点系统上进行了仿真验证,结果证明了并行自适应粒子群算法用于无功优化的可行性和有效性。     

基于混合遗传算法层间交通模式下的电梯群控派梯新方法

提出一种基于混合遗传算法的层间交通模式下的电梯群控派梯算法。以乘客的平均等待时间最小为目标寻求最优派梯方案,根据电梯的运行状态和各层站的外呼信号,构造了适应度函数。在进化初期阶段,采用本标准遗传算法在解空间中全局搜索,当种群收敛到最优解附近时,引入自适应正交局部搜索算子,以提高算法的局部搜索能力,仿真结果表明,该算法克服了标准遗传算法后期收敛速度慢的缺点,同时较好地满足了电梯群控系统的实际要求。     

电网故障诊断解析模型的改进二进制增益共享知识算法求解

针对现有智能优化算法在求解电网故障诊断解析模型时存在的易于陷入局部最优和种群质量低等问题,提出一种改进二进制增益共享知识算法(improved binary gaining-sharing knowledge-based algorithm, IBGSK)。首先,根据故障诊断规则,构建一种包含完备故障信息的完全解析模型。其次,将离散工作机制融入改进算法的种群更迭中,以避免发生空间脱节。然后,结合进化种群动力学思想(evolutionary populationdynamics, EPD),引入一种自适应交叉算子,以提高种群质量和增强算法的全局寻优能力。最后,通过特征选择和故障诊断仿真实验对算法性能进行评估。结果表明：IBGSK算法相较于其他优化算法,在特征选择问题上具有更高的计算效率、更强的全局寻优能力和泛化能力;在求解电网故障诊断解析模型上具有更优的诊断可靠性、时效性和收敛性。     

基于改进差分进化算法的配电网无功优化

采用改进差分进化算法(Improved Differential Evolution Algorithm,IDEA)求解配电网无功优化问题。该算法引入基于反学习的种群初始化方法,使算法得到的初始种群具有多样性,能够充分提取搜索空间的信息;引入高斯扰动机制到交叉操作中,提高了在维尺度上的种群多样性;在进化过程中融入人工蜂群搜索思想,引入蜂群加速进化与侦查操作策略,使算法能快速跳出局部最优,避免了早熟问题。建立了配电网无功优化数学模型,并采用IDE算法对IEEE30节点系统求解该模型,并与基本DE算法进行对比,仿真结果证明了所提IDE算法具有更佳的性能,能够有效的求解配电网无功优化的问题。     

改进免疫克隆选择算法的多目标轨迹优化

针对机械臂的时间最短、轨迹最平滑、能量消耗最小等多目标下的轨迹优化问题,提出一种改进免疫克隆选择的多目标轨迹优化的方法。改进的算法采用tent混沌序列初始化种群,提高初始化群体的多样性和均匀性;引入自适应变异,改善算法的全局搜索能力和局部搜索能力;增加模拟二进制交叉操作,增强种群中个体之间的信息交流;采用递减消亡操作,既保证种群的多样性,避免出现局部最优,又避免在最终解集中出现不可行解。以PUMA560为仿真对象进行实验仿真,结果表明该改进算法可以得到分布均匀性较好的Pareto最优解集,是一种有效的多目标轨迹优化的方法。     

遗传算法参数设置及其在负荷建模中应用

以基于实测的电力系统综合负荷建模为应用对象,探讨遗传算法的运行机理,分析遗传算子的不同搜索能力。指出决定遗传算法性能的关键因素是种群多样性,得出了种群多样性与算法参数的关联约束。从理论分析上给出遗传参数的设定规则,深入研究遗传算法中种群规模、交叉、变异概率及其控制策略,以及初始种群参数区间等遗传算法关键操作参数对算法性能的影响规律,给出合理的种群规模和参数初始区间,提出与群体进化程度指标相关的自适应调整交叉概率和变异概率策略。研究结果表明,合理的参数组合是挖掘遗传算法潜能的关键,可提高遗传算法运行效率、克服早熟及尽量减小模型参数分散性。     

基于改进鲸鱼优化算法的光伏发电系统MPPT控制研究

在局部阴影条件下,常规的最大功率点跟踪MPPT(maximum power point tracking)算法因含有容易陷入局部极值、跟踪精度低等弊端,使其无法及时、精确地跟踪光伏发电系统的最大功率点,因此,提出了一种基于改进型鲸鱼优化算法的光伏发电系统MPPT控制策略。首先,采用混沌映射初始化种群,增加种群的多样性。其次,通过引入非线性收敛因子使局部寻优能力和全局搜索能力达到均衡。最后,通过引入非线性时变的自适应权重使系统及时跳出局部最优解,并提高搜索的精度。经仿真验证,与粒子群优化算法、狮群优化算法、传统的鲸鱼优化算法等相比,改进的鲸鱼算法在跟踪速度、精度、稳定性等方面均有更显著的效果。     

多目标无功优化的向量评价自适应粒子群算法

为了克服粒子群算法在高维复杂问题寻优时有相当可能陷入局部极优的现象,提出了一种自适应粒子群算法。该算法利用种群多样性信息对惯性权重进行非线性的调整,并在算法的后期引入速度变异算子和位置交叉算子,使算法摆脱后期易于陷入局部最优点的束缚。对基于向量评价的粒子群算法进行了扩展,提出了基于向量评价的自适应粒子群算法(vector evaluated particle adaptive swarm optimization,VEAPSO)来解决多目标无功优化问题,求解出问题的Pareto最优解集。为帮助决策者从Pareto最优解集中选取合适的最优解,该文提出一种基于决策者偏好及投影寻踪模型的多属性决策法,使决策结果更加真实可靠。将该算法应用于多目标无功优化问题中,IEEE 30和IEEE 118节点系统算例仿真表明该方法用于解决多目标无功优化问题是有效可行的。     

基于改进微分进化算法的输电网络规划

提出一种改进微分进化算法来求解输电网络规划问题。该算法采用控制参数自适应调整策略,保持了种群的多样性并提高了全局搜索能力。同时引入联赛选择算子,避免了应用惩罚函数法构造适应度函数时难以选择惩罚系数的问题。18节点测试系统的计算结果验证了所提算法的有效性。     

基于稳定参数控制的改进遗传算法在配电网络规划中的应用

提出一种基于稳定参数控制的改进遗传算法.该算法不仅保持了种群多样性,而且通过突变算子引入了新的搜索空间,使算法更容易找到全局最优区域,缩短了传统遗传算法要跳出局部最优区域所消耗的迭代时间.将该算法应用于重庆某10kV辐射状配电网络规划,结果表明该算法在收敛性能和搜索能力上比其他遗传算法有较大提高,在全局寻优性能上也优于其它遗传算法.